YoloV8的安装和训练

此方法在Anaconda环境上进行安装的，前期的CUDA的安装和Anaconda的安装需要自行安装完成。此方法是直接从在Anaconda中创建虚拟环境中开始的。无特殊说明下方指令均在“Anaconda Prompt”中执行。

一、配置环境

创建名称为yolov8的虚拟环境：

conda create --name yolov8 python

激活yolov8虚拟环境：

conda activate yolov8

使用pip下载yolov8所需要的第三方库：

pip install ultralytics

二、下载

在官方网页中下载YoloV8的所有的代码：
官方网页：https://github.com/ultralytics/ultralytics

三、运行

3.1命令解释

Yolov8的命令构成为：yolo TASK MODE ARGS

TASK(选择) 是[detect、segment、classification]中的一个。如果没有显式传递，YOLOv8将尝试从模型类型中猜测TASK。
MODE(必选) 是[train, val, predict, export]中的一个
ARGS(选择) 是任意数量的自定义arg=value对，如imgsz=320，覆盖默认值。

类型		用途	示例
TASK	detect
	segment
	classification
MODE	train	用于图片模型的训练	yolo train data=coco128.yaml model=yolov8n.pt epochs=10 lr0=0.01
			训练10个时期的检测模型，初始学习率为0.01
	val		yolo val model=yolov8n.pt data=coco128.yaml batch=1 imgsz=640
			Val是批量大小为1和图像大小为640的预训练的检测模型：
	predict	用于图片/视频的检测	yolo predict model=yolov8n-seg.pt source=‘https://youtu.be/LNwODJXcvt4’ imgsz=320
			使用图像大小为320的预训练分割模型预测YouTube视频
	export		yolo export model=yolov8n-cls.pt format=onnx imgsz=224,128
			将YOLOv8n分类模型导出为ONNX格式，图像大小为224×128（不需要TASK）
ARGS

其他特殊命令：

yolo help
yolo checks
yolo version
yolo settings
yolo copy-cfg
yolo cfg

常用参数：

model	传入的model.yaml文件或者model.pt文件，用于构建网络和初始化，不同点在于只传入yaml文件的话参数会随机初始化
data	训练数据集的配置yaml文件
epochs	训练轮次，默认100
patience	早停训练观察的轮次，默认50，如果50轮没有精度提升，模型会直接停止训练
batch	训练批次，默认16
imgsz	训练图片大小，默认640
save	保存训练过程和训练权重，默认开启
save_period	训练过程中每x个轮次保存一次训练模型，默认-1（不开启）
cache	是否采用ram进行数据载入，设置True会加快训练速度，但是这个参数非常吃内存，一般服务器才会设置
device	要运行的设备，即cuda device =0或Device =0,1,2,3或device = cpu
workers	载入数据的线程数。windows一般为4，服务器可以大点，windows上这个参数可能会导致线程报错，发现有关线程报错，可以尝试减少这个参数，这个参数默认为8，大部分都是需要减少的
project	项目文件夹的名，默认为runs
name	用于保存训练文件夹名，默认exp，依次累加
exist_ok	是否覆盖现有保存文件夹，默认Flase
pretrained	是否加载预训练权重，默认Flase
optimizer	优化器选择，默认SGD，可选[SGD、Adam、AdamW、RMSProP]
verbose	是否打印详细输出
seed	随机种子，用于复现模型，默认0
deterministic	设置为True，保证实验的可复现性
single_cls	将多类数据训练为单类，把所有数据当作单类训练，默认Flase
image_weights	使用加权图像选择进行训练，默认Flase
rect	使用矩形训练，和矩形推理同理，默认False
cos_lr	使用余弦学习率调度，默认Flase
close_mosaic	最后x个轮次禁用马赛克增强，默认10
resume	断点训练，默认Flase
lr0	初始化学习率，默认0.01
lrf	最终学习率，默认0.01
label_smoothing	标签平滑参数，默认0.0
dropout	使用dropout正则化(仅对训练进行分类)，默认0.0

3.2测试使用与目标识别

yolo predict model=yolov8n.pt source='https://ultralytics.com/images/bus.jpg'

"model="后面所添加的是权重的位置。因为此权重才主目录故直接选择即可。
“soutce=”后面所添加的是需要检测照片的地址，如果自己想识别其他的文件，则可以在source=后面加入图片或视频的“地址+文件名”。

3.3模型训练

3.3.1数据集的准备

YoloV8和YoloV5一样，需要用到Yolo 格式的文件作为训练集。Yolo格式的数据标注文件主要分为5个数值中间用空格分开，保存在.txt格式的文件当中。文件内每个数分别是：

“[数据种类] [矩形左上X坐标] [矩形左上Y坐标] [矩形右下X坐标] [矩形右下Y坐标]”

数据集可以做为以下的文件夹结构：

datasets

images

    img1.jpg

    img2.jpg

labels

    img1.txt

    img2.txt

3.3.2数据集的标签制作

标签的标注的训练自己模型最重要的步骤。因为YoloV8和YoloV5一样，需要使用Yolo格式的文件，故我们可以使用Make Sense，来制作Yolo格式的标签。（网站点击下方蓝字即可）

Make Sense

首先打开网址，选择“Get Started”后导入图片，再选择“Objeck Detection”。点击“Start Progect”开始项目。选择矩形框，框选物品后在选择标签。效果如下图：

图片全部标注完毕后再“Actions”中点击“Export Annotations”。勾选Yolo后导出即可（注意导出的文件只有Yolo的标签，所以务必保存好自己的数据集），如下图：

这样我们的数据准备工作就已经全部结束了。

3.3.3训练模型文件编辑

YoloV8和YoloV5相同，都需要制作一个“.yaml”格式的文件，但“.yaml”文件内部的构成发生了一定的变化。相关的“.yaml”实例在“ultralytics-main/ultralytics/cfg/datasets"内也有。“.yaml”文件可以保存在任意目录下，但需要再训练时输入路径，但放在“ultralytics-main”目录下可以不用再训练时写路径。
（下方内容为“.yaml”文件，不是在Anaconda Prompt运行）

path: ../datasets/XXX  # dataset root dir
train: images  # train images (relative to 'path') 39384 images
val: images # val images (relative to 'path') 15062 images
test: # test images (optional) https://eval.ai/web/challenges/challenge-page/800/overview

# Classes 每个序号后面所写的名称必须和标签中的数据所对应，中文英文均可。
names:
  0: "苹果"   #中文需加“引号”
  1: Apple

3.3.4训练模型

训练模型前可以先执行官方给到的测试语句，这样可以自动下载“.pt”文件也可以检测程序是否可以正常运行。语句如下：

yolo detect train data=coco128.yaml model=yolov8n.pt epochs=100 imgsz=640

训练自己的模型时需要输入下列语句即可，其中XXX.yaml是前面写的.yaml文件，最好加对应的目录。epochs是所训练的代数，batch是每次训练的图片数，如果显存较小可以靠调整数据来减低对显存的需要。

yolo detect train  data=XXX.yaml model=yolov8n.pt epochs=X batch=X

四、写在最后

本人第一次写教程，若有错误请多包涵并指出，我及时修改。
“3.1命令解释”多为官方文档内的转载。